摘要： 现有基于大语言模型（LLM）的智能体架构框架通常从单一视角描述系统：行业指南（如 Anthropic、Google、LangChain）侧重于执行拓扑——即数据如何流动；而认知科学综述则侧重于认知功能——即智能体做什么。仅凭单一维度无法区分架构上截然不同的系统：相同的 Orchestrator-Workers 拓扑可以实现 Plan-and-Execute、Hierarchical Delegation 或 Adversarial Verification——这三种模式具有根本不同的故障模式和设计权衡。我们提出一个二维分类方法，结合了（1）包含七个类别的认知功能轴（Context Engineering、Memory、Reasoning、Action、Reflection、Collaboration、Governance）和（2）包含六种结构原型的执行拓扑轴（Chain、Route、Parallel、Orchestrate、Loop、Hierarchy）。由此产生的 7x6 矩阵识别出 27 种命名模式，其中 13 种为原创命名。我们通过系统的跨轴分析证明了正交性，详细定义了八种代表性模式，并在四个真实领域（金融贷款、法律尽职调查、网络运维、医疗分诊）中验证了描述覆盖范围。跨领域分析得出了五条关于模式选择的经验法则，这些法则支配着环境约束（时间压力、行动权限、失败成本不对称性、规模）与架构选择之间的关系。该框架为 AI 智能体架构设计提供了一套原则性、框架中立且模型无关的词汇表。